यह टूल क्या करता है
लाइव ट्रांसक्रिप्शन आपकी बोली को बोलते-बोलते टेक्स्ट में बदल देता है। शुरू दबाएँ, माइक्रोफ़ोन में बोलें, और हर वाक्य विराम के कुछ ही पल बाद ट्रांसक्रिप्ट में आ जाता है। यह डिक्टेशन या वॉयस टाइपिंग जैसा है, लेकिन पहचान पूरी तरह आपके ब्राउज़र में चलती है, न खाता चाहिए, न सर्वर, और ऑडियो आपके कंप्यूटर से बाहर नहीं जाता।
पहचान का मॉडल Moonshine है, Useful Sensors का एक खुला स्पीच-टू-टेक्स्ट मॉडल, जिसे डिवाइस पर ही लाइव ट्रांसक्रिप्शन के लिए बनाया गया है। यह छोटे वाक्यांशों पर तेज़ है, इसलिए एक-एक वाक्य लिखने के लिए बढ़िया है। टूल इसे Transformers.js और ONNX Runtime Web से चलाता है, ब्राउज़र में WebGPU हो तो उस पर, नहीं तो WebAssembly पर।
यह टूल केवल अंग्रेज़ी के लिए है।
इस्तेमाल कैसे करें
- मॉडल चुनें। Base ज़्यादा सटीक है; Tiny छोटा है और धीमे कंप्यूटर पर तेज़ चलता है।
- मॉडल डाउनलोड करें और शुरू करें दबाएँ। मॉडल एक बार डाउनलोड होता है (Base लगभग 120 MB, Tiny लगभग 50 MB), फिर ब्राउज़र माइक्रोफ़ोन की अनुमति माँगता है। अनुमति दें।
- सामान्य रूप से बोलें। लेवल मीटर इनपुट की आवाज़ दिखाता है और बोली पकड़ में आने पर हरा हो जाता है। रुकते ही वाक्यांश मॉडल को जाता है और टेक्स्ट नई पंक्ति में दिखता है।
- माइक्रोफ़ोन छोड़ने के लिए रोकें दबाएँ। जारी रखने के लिए फिर से शुरू दबाएँ; टाइमस्टैम्प वहीं से गिनती जारी रखते हैं जहाँ आप रुके थे।
- ट्रांसक्रिप्ट रखने के लिए कॉपी या .txt डाउनलोड करें का उपयोग करें, या नए सिरे से शुरू करने के लिए साफ़ करें दबाएँ। सबसे नई पंक्ति ऊपर रखने के लिए क्रम को सबसे नया पहले पर सेट करें; कॉपी और डाउनलोड भी इसी क्रम में होते हैं।
उदाहरण
टाइमस्टैम्प चालू होने पर अंग्रेज़ी में बोला गया एक छोटा नोट ऐसा दिखता है:
[00:00] Let's start with the quarterly numbers.
[00:04] Revenue is up twelve percent compared to last year.
[00:09] Next, I want to talk about hiring.टाइमस्टैम्प बंद करें तो सादी पंक्तियाँ मिलती हैं, जिन्हें ईमेल, दस्तावेज़ या नोट्स ऐप में सीधे चिपकाया जा सकता है।
पहचान को समायोजित करना
एक सरल वॉयस एक्टिविटी डिटेक्टर माइक्रोफ़ोन की आवाज़ सुनकर तय करता है कि वाक्य कहाँ शुरू और कहाँ ख़त्म होते हैं। इसे तीन सेटिंग नियंत्रित करती हैं:
- आवाज़ की सीमा तय करती है कि किसी आवाज़ को बोली मानने के लिए वह कितनी तेज़ हो। अगर पीछे का शोर मीटर को हरा रखता है तो शोर वाला स्तर चुनें, और अगर धीमी बोली छूट जाती है तो ज़्यादा संवेदनशील स्तर चुनें।
- पंक्ति ख़त्म करने वाला विराम वह चुप्पी है जो वाक्यांश लिखे जाने से पहले चाहिए। छोटा विराम जल्दी नतीजा देता है, लंबा विराम वाक्यों को साथ रखता है।
- सबसे लंबी पंक्ति बहुत लंबी बोली को काटती है ताकि आप बिना रुके बोलें तब भी ट्रांसक्रिप्ट आगे बढ़ता रहे।
ये सेटिंग अगली बार शुरू दबाने पर लागू होती हैं। मॉडल का चुनाव और टाइमस्टैम्प पेज के पते में सहेजे जाते हैं, इसलिए आप अपनी पसंद को बुकमार्क या शेयर कर सकते हैं। ट्रांसक्रिप्ट ख़ुद कभी लिंक में नहीं जाता।
मॉडल, लाइसेंस और सीमाएँ
यह टूल onnx-community/moonshine-base-ONNX या onnx-community/moonshine-tiny-ONNX का उपयोग करता है, जो MIT लाइसेंस वाले अंग्रेज़ी Moonshine मॉडलों के ONNX रूप हैं। Transformers.js का लाइसेंस Apache-2.0 है। सबसे अच्छी सटीकता तब मिलती है जब एक व्यक्ति माइक्रोफ़ोन के पास साफ़ बोले; नाम, दुर्लभ शब्द और भारी लहजा ग़लत सुने जा सकते हैं, और विराम चिह्न मॉडल का अनुमान हैं। रिकॉर्ड की गई ऑडियो फ़ाइलों के लिए स्पीच टू टेक्स्ट टूल का उपयोग करें।
अक्सर पूछे जाने वाले सवाल
› क्या मेरी आवाज़ कहीं अपलोड होती है?
नहीं। माइक्रोफ़ोन का ऑडियो आपके ब्राउज़र टैब के अंदर ही रिकॉर्ड होता है, वाक्यों में बँटता है और लिखा जाता है। सिर्फ़ मॉडल की फ़ाइलें Hugging Face से डाउनलोड होती हैं, जब आप पहली बार डाउनलोड बटन दबाते हैं। ट्रांसक्रिप्ट पेज पर ही रहता है और शेयर लिंक में शामिल नहीं होता।
› यह कौन-सी भाषाएँ समझता है?
केवल अंग्रेज़ी। यहाँ इस्तेमाल होने वाले Moonshine मॉडल अंग्रेज़ी बोली पर प्रशिक्षित हैं। Moonshine के दूसरी भाषाओं के मॉडल भी हैं, लेकिन वे गैर-व्यावसायिक लाइसेंस के तहत जारी हैं, इसलिए यह टूल उनका उपयोग नहीं करता। दूसरी भाषा में बोलने पर बेतुकी अंग्रेज़ी आती है।
› डाउनलोड कितना बड़ा है और क्या हर बार ज़रूरी है?
Base मॉडल लगभग 120 MB और Tiny मॉडल लगभग 50 MB का है। पहली बार डाउनलोड के बाद ब्राउज़र फ़ाइलों को कैश कर लेता है, इसलिए अगली बार यह बिना दोबारा डाउनलोड किए कुछ सेकंड में लोड हो जाता है।
› कौन-से ब्राउज़र काम करते हैं?
माइक्रोफ़ोन की अनुमति वाले नए Chrome, Edge, Firefox या Safari। WebGPU हो तो मॉडल ग्राफ़िक्स कार्ड पर चलता है, नहीं तो CPU पर WebAssembly से। यह धीमा है, फिर भी ज़्यादातर लैपटॉप पर सामान्य बोलने की गति के साथ चल लेता है।
› पंक्ति तभी क्यों दिखती है जब मैं बोलना बंद करता हूँ?
Moonshine पूरे वाक्यांशों पर काम करता है, इसलिए टूल आपके कहे को लिखने से पहले छोटे विराम का इंतज़ार करता है। विकल्पों में विराम छोटा कर सकते हैं, या सबसे लंबी पंक्ति घटा सकते हैं ताकि लंबी बातें ज़्यादा बार कटें।